張兵兵 王捷 閆志俊

摘要 碳達(dá)峰和碳中和是生態(tài)文明建設(shè)整體布局的重要一環(huán)，是實(shí)現(xiàn)中國(guó)綠色低碳高質(zhì)量發(fā)展的重要舉措。該研究首先基于校準(zhǔn)的夜間燈光數(shù)據(jù)，運(yùn)用從上至下估算方法對(duì)中國(guó)267個(gè)地級(jí)及以上城市的碳排放量進(jìn)行反演模擬測(cè)算；然后，綜合運(yùn)用高斯回歸、支持向量機(jī)、梯度提升等機(jī)器學(xué)習(xí)算法，科學(xué)預(yù)測(cè)各個(gè)城市的碳達(dá)峰路徑；最后，運(yùn)用拓展的廣義迪氏指數(shù)方法對(duì)2000—2030年地級(jí)及以上城市碳排放演變的驅(qū)動(dòng)因素進(jìn)行分解，結(jié)果顯示：①中國(guó)二氧化碳排放總量呈持續(xù)增長(zhǎng)態(tài)勢(shì)，各城市增速不同且差異較大，形成“發(fā)達(dá)城市高排量，欠發(fā)達(dá)城市低排量”的態(tài)勢(shì)。②267個(gè)樣本城市中，僅有蘇州市、貴陽(yáng)市等6個(gè)城市可以提前達(dá)峰或按期達(dá)峰，比重僅占2%；上海市、廣州市、杭州市等252個(gè)城市將在2031—2034年達(dá)峰；北京市、珠海市等9個(gè)城市將長(zhǎng)時(shí)期延期達(dá)峰。③運(yùn)用拓展的廣義迪氏指數(shù)進(jìn)行結(jié)構(gòu)分解后發(fā)現(xiàn)，能源消費(fèi)規(guī)模、產(chǎn)出規(guī)模、固定資產(chǎn)投資規(guī)模等因素對(duì)各城市碳排放基本保持促增作用，而產(chǎn)出碳強(qiáng)度、投資碳強(qiáng)度等則基本保持促降作用。優(yōu)化綠色低碳發(fā)展區(qū)域布局，推動(dòng)低碳產(chǎn)業(yè)集群建設(shè)，兼顧城市“穩(wěn)發(fā)展”與“促減排”是“雙碳”目標(biāo)有序推進(jìn)的重要保障。

關(guān)鍵詞 碳達(dá)峰；節(jié)能減排；低碳轉(zhuǎn)型；機(jī)器學(xué)習(xí)；廣義迪氏指數(shù)

中圖分類號(hào) X321 文獻(xiàn)標(biāo)志碼 A 文章編號(hào) 1002-2104（2023）09-0038-07 DOI：10. 12062/cpre. 20230128

改革開放以來(lái)，中國(guó)經(jīng)濟(jì)發(fā)展取得令人矚目的成就，但同時(shí)也伴隨著能源過(guò)度消耗和環(huán)境污染問(wèn)題。2021年，中國(guó)能源消費(fèi)總量高達(dá)52. 4億t標(biāo)準(zhǔn)煤，二氧化碳排放量超119億t，為世界第一大能源消耗國(guó)和碳排放國(guó)。節(jié)能減排是解決當(dāng)前世界資源環(huán)境瓶頸的必然之路［1］。城市作為經(jīng)濟(jì)發(fā)展的重要載體和節(jié)能減排的主戰(zhàn)場(chǎng)，其減排效果將直接決定著中國(guó)“雙碳”目標(biāo)能否按期實(shí)現(xiàn)。因此，科學(xué)解析符合經(jīng)濟(jì)發(fā)展規(guī)律下的城市碳達(dá)峰路徑，并深入剖析影響城市碳達(dá)峰的結(jié)構(gòu)性因素，能夠在實(shí)踐層面為中國(guó)整體碳達(dá)峰、碳中和戰(zhàn)略目標(biāo)的實(shí)現(xiàn)起到引領(lǐng)示范作用。

1 文獻(xiàn)綜述

目前，與該研究密切相關(guān)的文獻(xiàn)主要圍繞碳排放測(cè)算［2-3］、碳達(dá)峰預(yù)測(cè)及其影響因素分解兩方面展開。第一，碳排放測(cè)算及碳達(dá)峰時(shí)間預(yù)測(cè)?，F(xiàn)有文獻(xiàn)較多利用DMSP/OLS夜間燈光數(shù)據(jù)進(jìn)行碳排放測(cè)算，并且這一數(shù)據(jù)官方只更新到2013 年［4-5］。Zhao 等［6］利用NPP/VIIRS 夜間燈光數(shù)據(jù)彌補(bǔ)了2013年后的數(shù)據(jù)缺失問(wèn)題，將城市維度的碳排放研究數(shù)據(jù)擴(kuò)充至2015年。此外，一些學(xué)者［7-9］采用模型預(yù)測(cè)與情景模擬相結(jié)合的方法探究二氧化碳峰值問(wèn)題，然而傳統(tǒng)預(yù)測(cè)模型難以處理數(shù)據(jù)繁雜以及變量復(fù)雜關(guān)系所導(dǎo)致的精度不足缺陷。機(jī)器學(xué)習(xí)因具有較強(qiáng)的非線性擬合能力，許多學(xué)者認(rèn)為這會(huì)使預(yù)測(cè)結(jié)果更加科學(xué)合理［10］。第二，碳排放驅(qū)動(dòng)因素的結(jié)構(gòu)分解。碳排放驅(qū)動(dòng)因素的分解方法主要有結(jié)構(gòu)分解法（SDA）和指數(shù)分解法（IDA）。結(jié)構(gòu)分解法需要建立在投入-產(chǎn)出數(shù)據(jù)基礎(chǔ)上［11］，而指數(shù)分解法所需數(shù)據(jù)更易獲取、便于操作，所以得到了更為廣泛的應(yīng)用［12-14］。已有運(yùn)用廣義迪氏指數(shù)法對(duì)碳排放進(jìn)行分解的研究表明能源消耗、人口規(guī)模、經(jīng)濟(jì)發(fā)展均是影響碳排放的驅(qū)動(dòng)因素［15］。

2 基于夜間燈光數(shù)據(jù)的城市碳排放估算

2. 1 估算方法

借鑒Meng 等［5］的測(cè)算思路反演中國(guó)2000—2018 年地級(jí)及以上城市（下文中的“地級(jí)市”或“城市”均指“地級(jí)及以上城市”）的二氧化碳排放。首先，對(duì)原始燈光數(shù)據(jù)進(jìn)行校準(zhǔn)；其次，運(yùn)用燈光亮度總值對(duì)省際層面二氧化碳排放量進(jìn)行彈性估算；最后，引入從上至下估計(jì)方法，構(gòu)建模型對(duì)地級(jí)市碳排放進(jìn)行測(cè)度（夜間燈光數(shù)據(jù)反演的詳細(xì)過(guò)程略，備索）。

2. 2 估算結(jié)果分析

2. 2. 1 區(qū)域-城市層面

由于各個(gè)區(qū)域的經(jīng)濟(jì)發(fā)展水平、政策導(dǎo)向、產(chǎn)業(yè)結(jié)構(gòu)的異質(zhì)性，中國(guó)東中西地區(qū)各個(gè)城市二氧化碳排放量也有所不同。2000—2018年各地區(qū)城市年均二氧化碳排放量呈波動(dòng)上升趨勢(shì)，中部地區(qū)城市年均碳排放居高，東部城市居中，西部城市最低。其中，中部地區(qū)城市與東部地區(qū)城市年均碳排放在2000—2007年間呈平行增長(zhǎng)趨勢(shì)，2007年后兩者差距逐漸拉大，至2018年兩者年均碳排放相差3 772. 38萬(wàn)t。這可能是由于2007年之后，東部地區(qū)經(jīng)濟(jì)發(fā)展重心逐步轉(zhuǎn)為優(yōu)化經(jīng)濟(jì)結(jié)構(gòu)和提升經(jīng)濟(jì)質(zhì)量，其年均碳排放增速開始逐步放緩。隨著產(chǎn)業(yè)“西進(jìn)”步伐加速，中部區(qū)域承接國(guó)際和國(guó)內(nèi)產(chǎn)業(yè)轉(zhuǎn)移能力不斷加強(qiáng)，一定程度上引致了中部區(qū)域碳排放的增加（限于篇幅，區(qū)域-城市層面結(jié)果圖略，備索）。

2. 2. 2 五大城市群

基于以上分析，分別構(gòu)建城市群人均碳排放與GDP碳強(qiáng)度指標(biāo)以剖析五大城市群碳排放的動(dòng)態(tài)演化趨勢(shì)。

觀察圖1可知，2000—2018年五大城市群的二氧化碳排放總量、人均碳排放總體呈現(xiàn)增長(zhǎng)態(tài)勢(shì)，而GDP碳強(qiáng)度則呈現(xiàn)下降趨勢(shì)。2000—2018年間長(zhǎng)江中游、長(zhǎng)三角、珠三角、成渝和京津冀五大城市群碳排放量年均增速分別為7. 5%、6. 9%、5. 7%、3. 4% 和5. 5%，與此同時(shí)，其經(jīng)濟(jì)發(fā)展年均增速分別為14. 2%、12. 2%、12. 9%、11. 4%和11. 5%，經(jīng)濟(jì)增長(zhǎng)的年均增速均小于碳排放的年均增速，因此，五大城市群的單位GDP強(qiáng)度均呈現(xiàn)下降趨勢(shì)。這也充分表明中國(guó)節(jié)能降碳增效行動(dòng)取得積極進(jìn)展，生態(tài)文明觀念穩(wěn)固樹立，為應(yīng)對(duì)全球氣候變化作出了積極貢獻(xiàn)［16］。人均碳排放呈現(xiàn)增長(zhǎng)趨勢(shì)，則意味著此期間二氧化碳排放增速要顯著高于人口增長(zhǎng)速度。具體來(lái)說(shuō)，2000—2018年五大城市群二氧化碳排放和人均碳排放特征大致可分為“快速增長(zhǎng)期”與“平臺(tái)波動(dòng)期”兩個(gè)階段，這與段林豐等［17］研究結(jié)論相一致。

分區(qū)域?qū)Ρ葋?lái)看，珠三角城市群GDP碳強(qiáng)度為五大城市群最低，其樣本內(nèi)GDP碳強(qiáng)度均值為1. 14萬(wàn)t/億元，大大低于位居第二名成渝城市群的2. 37萬(wàn)t/億元，而其碳排放總量和人均碳排放都遠(yuǎn)高于處于較低水平的成渝城市群。這主要?dú)w因金融危機(jī)后，珠三角城市群積極尋求經(jīng)濟(jì)發(fā)展轉(zhuǎn)型，不斷進(jìn)行結(jié)構(gòu)調(diào)整和產(chǎn)業(yè)升級(jí)，GDP碳強(qiáng)度得以明顯降低。隨著珠三角城市群第三產(chǎn)業(yè)的快速發(fā)展，城鎮(zhèn)用地碳排放持續(xù)增長(zhǎng)將成為碳減排的關(guān)鍵問(wèn)題，引致其碳排放總量不斷增加［18］。長(zhǎng)江中游城市群GDP碳強(qiáng)度在2000—2018年間下降了15. 62萬(wàn)t/億元，京津冀與長(zhǎng)三角城市群分別下降了2. 84萬(wàn)t/億元、0. 22萬(wàn)t/億元，前者下降幅度遠(yuǎn)超出后兩者，反映為高碳排放地區(qū)的降幅顯著高于低排放地區(qū)的降幅，地區(qū)間平均排量差異縮小，呈現(xiàn)出一定的收斂特性。

3 基于機(jī)器學(xué)習(xí)的城市碳達(dá)峰路徑演化

3. 1 特征選擇及預(yù)測(cè)

選取地級(jí)市層面經(jīng)濟(jì)發(fā)展水平、資本、勞動(dòng)、能源消費(fèi)和PM2. 5等5個(gè)與碳排放密切相關(guān)的變量作為初始數(shù)據(jù)集，運(yùn)用隨機(jī)森林算法對(duì)初始數(shù)據(jù)集進(jìn)行降維，以獲得最優(yōu)預(yù)測(cè)模型。其次，運(yùn)用Prophet 模型對(duì)2019—2035 年267個(gè)城市的四個(gè)特征變量進(jìn)行預(yù)測(cè)（全國(guó)地級(jí)及以上城市共297個(gè)，含4個(gè)直轄市，囿于數(shù)據(jù)的可獲得性，該研究未包括巴彥淖爾、烏蘭察布、黑河、亳州、隨州、中山、云浮、崇左、來(lái)賓、賀州、貴港、三沙、儋州、眉山、資陽(yáng)、畢節(jié)、銅仁、普洱、吐魯番、哈密、拉薩、日喀則、昌都、林芝、山南、那曲、固原、中衛(wèi)、西寧、海東以及港澳臺(tái)地區(qū)）。最終，基于預(yù)測(cè)的各特征變量數(shù)據(jù)運(yùn)用高斯回歸、支持向量機(jī)、梯度提升等方法擬合得到2019—2035年地級(jí)市碳排量預(yù)測(cè)值。由于碳中和的實(shí)現(xiàn)涉及因素種類較多且較為復(fù)雜［19］，鑒于此，該研究在預(yù)測(cè)城市碳達(dá)峰時(shí)并未考慮2060年碳中和要求。

3. 2 碳達(dá)峰路徑分析

比照4種模型預(yù)測(cè)結(jié)果，發(fā)現(xiàn)高斯回歸算法的預(yù)測(cè)結(jié)果較優(yōu)于支持向量機(jī)和梯度提升。從總體預(yù)測(cè)趨勢(shì)來(lái)看，現(xiàn)有演化路徑下267個(gè)地級(jí)市中能按期甚至提前碳達(dá)峰的城市僅有3個(gè)，分別為蘇州市、貴陽(yáng)市和德州市，剩余的絕大多數(shù)城市并不能按期碳達(dá)峰。其中，約有15%的城市可以在2031年達(dá)峰，近8%的城市可在2032年達(dá)峰，71%的城市集中在2034年達(dá)峰，剩余約6%的城市將長(zhǎng)時(shí)間延遲達(dá)峰。該研究將以高斯回歸預(yù)測(cè)結(jié)果為準(zhǔn)，從不同層面對(duì)城市碳達(dá)峰路徑進(jìn)行分析。

3. 2. 1 區(qū)域-城市層面

從碳排放的絕對(duì)量來(lái)看，267 個(gè)地級(jí)市的碳排放仍呈現(xiàn)出持續(xù)上升態(tài)勢(shì)。2019 年267 個(gè)地級(jí)市二氧化碳排放總量為12 067. 90 萬(wàn)t，到2035 年將增長(zhǎng)至19489. 98 萬(wàn)t，17 年間將增長(zhǎng)1. 6 倍。從時(shí)間維度來(lái)看，267 個(gè)地級(jí)市碳排放增長(zhǎng)率呈現(xiàn)出波動(dòng)性下降趨勢(shì)。2019—2035 年碳排放年均增長(zhǎng)率將為3. 1%，約為2000—2018 年均增長(zhǎng)率的1/3。其中：2020—2025 年267 個(gè)地級(jí)市碳排放年均增速為3. 3%，2025—2030 年增速將有所減緩，年均增長(zhǎng)率下降至3. 1%，2030—2035將進(jìn)一步放緩，年均增長(zhǎng)率降低至2. 6%。這意味著未來(lái)碳排放增長(zhǎng)量將會(huì)隨著各地碳達(dá)峰措施力度的加強(qiáng)而持續(xù)x走低（限于篇幅，各模型預(yù)測(cè)曲線對(duì)比圖及區(qū)域-城市層面分析結(jié)果圖表略，備索）。

3. 2. 2 東中西部地區(qū)城市

基于預(yù)測(cè)的各變量數(shù)據(jù)，進(jìn)一步構(gòu)建GDP碳強(qiáng)度及人均碳排放等指標(biāo)對(duì)不同區(qū)域2019—2035年碳排放變化趨勢(shì)進(jìn)行深度剖析。2019—2035年，各地區(qū)城市生產(chǎn)總值碳強(qiáng)度將呈現(xiàn)波動(dòng)性下降趨勢(shì)，人均碳排放總體則呈現(xiàn)波動(dòng)式上升趨勢(shì)。從碳排放絕對(duì)量來(lái)看，中部地區(qū)城市仍將是碳排放最高的區(qū)域，東部地區(qū)城市年均碳排放緊隨其后，西部城市最低，這與2000—2018年的測(cè)算情形相一致。從GDP碳強(qiáng)度看，東中西地區(qū)城市生產(chǎn)總值碳強(qiáng)度總體將呈波動(dòng)性下降趨勢(shì)，與2000—2018變動(dòng)趨勢(shì)有所不同。未來(lái)西部城市將可能逐漸成為GDP碳強(qiáng)度最低的區(qū)域，東部略高于西部，中部地區(qū)則可能仍在高位，維持在3. 74萬(wàn)t/億元左右。就GDP碳強(qiáng)度的下降速度而言，呈現(xiàn)出“西部地區(qū)城市>東部地區(qū)城市>中部地區(qū)城市”的格局。這也從側(cè)面反映出東西部地區(qū)城市的產(chǎn)業(yè)結(jié)構(gòu)將逐漸轉(zhuǎn)向低碳化，部分城市可通過(guò)能源結(jié)構(gòu)調(diào)整和優(yōu)化升級(jí)，率先實(shí)現(xiàn)碳達(dá)峰。從人均碳排放看，各地區(qū)則形成“中部地區(qū)城市>東部地區(qū)城市>西部地區(qū)城市”的格局。中部地區(qū)城市人均碳排放增長(zhǎng)最快，由2019年的26. 20 t/人增長(zhǎng)到2035年34. 49 t/人，其人均碳排放約分別是西部和東部地區(qū)城市的3. 2倍和1. 6倍。

東部地區(qū)城市生產(chǎn)總值碳強(qiáng)度不斷降低，這可能是一些經(jīng)濟(jì)發(fā)達(dá)的城市，在推動(dòng)產(chǎn)業(yè)升級(jí)的過(guò)程中低碳技術(shù)產(chǎn)業(yè)得以快速發(fā)展，在綠色低碳高質(zhì)量發(fā)展轉(zhuǎn)型過(guò)程中處于領(lǐng)先位置，因而具有按期甚至提前碳達(dá)峰的產(chǎn)業(yè)基礎(chǔ)。中部地區(qū)城市GDP碳強(qiáng)度雖呈下降趨勢(shì)，但碳排放總量和人均碳排放均出現(xiàn)較大增長(zhǎng)。中部地區(qū)城市的產(chǎn)業(yè)結(jié)構(gòu)以高能耗為主，能源消費(fèi)需求會(huì)隨著工業(yè)化、城鎮(zhèn)化的進(jìn)一步而增加，因而引致的碳排放也會(huì)增加。西部地區(qū)城市不論是碳排放絕對(duì)量、GDP碳強(qiáng)度還是人均碳排放都是三大地區(qū)城市中較低的。這可能得益西部地區(qū)得天獨(dú)厚的區(qū)位資源稟賦，風(fēng)能、太陽(yáng)能等可再生清潔能源比重較高，并且地廣人稀，城鎮(zhèn)化水平較低，使得其碳排放絕對(duì)量與人均碳排放處于較低水平。

3. 2. 3 五大城市群

觀察圖2可以看出，在現(xiàn)有路徑演化下，五大城市群的碳排放總量及人均碳排放量總體將呈現(xiàn)出波動(dòng)式上升趨勢(shì)，而GDP碳強(qiáng)度則呈下降趨勢(shì)。2019—2035年長(zhǎng)江中游、長(zhǎng)三角、京津冀、珠三角和成渝城市群碳排放總量將分別增長(zhǎng)44. 41%、30. 53%、35. 17%、35. 43% 和33. 98%，同時(shí)期其GDP 碳強(qiáng)度則分別下降23. 8%、11. 2%、24. 2%、30. 09%和28. 3%。這表明未來(lái)五大城市群在保持經(jīng)濟(jì)發(fā)展的同時(shí)可以實(shí)現(xiàn)碳排放量的下降，即實(shí)現(xiàn)經(jīng)濟(jì)低碳轉(zhuǎn)型?？v向來(lái)看，長(zhǎng)江中游城市群的二氧化碳排放量、GDP碳強(qiáng)度和人均碳排放將為五大城市群最高，預(yù)測(cè)區(qū)間內(nèi)“三高”態(tài)勢(shì)特征明顯。2021年其第三產(chǎn)業(yè)增加值占比僅為51%，遠(yuǎn)低于京津冀、長(zhǎng)三角的67%、57%，產(chǎn)業(yè)結(jié)構(gòu)不盡合理，第三產(chǎn)業(yè)比重過(guò)低，短時(shí)期內(nèi)“三高”態(tài)勢(shì)難以快速緩解。而成渝城市群無(wú)論是二氧化碳排放總量、人均碳排放強(qiáng)度，還是GDP碳強(qiáng)度在未來(lái)都將處于相對(duì)較低水平。

作為中國(guó)三大沿海城市群，長(zhǎng)三角、珠三角、京津冀地理?xiàng)l件優(yōu)越，經(jīng)濟(jì)發(fā)展強(qiáng)勁，故其低碳轉(zhuǎn)型發(fā)展備受關(guān)注。2035年，長(zhǎng)三角城市群碳排量將達(dá)到26. 89億t，約為京津冀城市群的1. 6倍、珠三角城市群的4. 2倍。與此同時(shí)，其GDP碳強(qiáng)度、人均碳排放將分別為3. 46萬(wàn)t/億元、18. 26 t/人，約為京津冀城市群的3. 7倍、1. 2倍，珠三角城市群的8. 2倍、1. 5倍。2020年，長(zhǎng)三角地區(qū)一次能源需求總量約為8. 4億t標(biāo)準(zhǔn)煤，終端能源需求總量約占全國(guó)的17%，煤炭等化石能源在長(zhǎng)三角能源消費(fèi)中所占比重仍占主導(dǎo)地位［20］，所以其二氧化碳排放總量、GDP 碳強(qiáng)度、人均碳排放都將居高不下。而珠三角城市群的煤炭、油品消費(fèi)占比有所下降，天然氣消費(fèi)占比逐漸上升，一次電力及其他能源消費(fèi)占比增長(zhǎng)趨勢(shì)明顯，故其未來(lái)減排潛力巨大［21］。自京津冀協(xié)同發(fā)展戰(zhàn)略實(shí)施以來(lái)，其低碳發(fā)展速度明顯加快，但整體低碳發(fā)展水平仍落后長(zhǎng)三角、珠三角地區(qū)，除煤炭占能源消費(fèi)總量的比重較高外，京津冀地區(qū)綠色創(chuàng)新能力也存在明顯不足，區(qū)域內(nèi)擴(kuò)散能力較弱，導(dǎo)致成果難以有效轉(zhuǎn)化［22-23］，因此，其碳排放總量、GDP碳強(qiáng)度相對(duì)較高（限于篇幅，部分城市碳達(dá)峰時(shí)間表及典型城市群碳達(dá)峰路徑分析結(jié)果略，備索）。

4 城市碳達(dá)峰驅(qū)動(dòng)因素的結(jié)構(gòu)分解

4. 1 分解機(jī)理

將在Vaninsky［14］的基礎(chǔ)上對(duì)傳統(tǒng)的廣義迪氏指數(shù)分解法（GDIM）進(jìn)行拓展，拓展后的廣義迪氏指數(shù)引入了固定資產(chǎn)投資（I）和外商直接投資（F）等兩個(gè)因素，拓展后的Kaya恒等式如公式（1）所示：

C = （C/E ） × （E/G ） × （G/I ） × （I/F ） × （F/P ） × P （1）

進(jìn)一步地，可將上述公式變換成以下形式：

4. 2 分解結(jié)果分析

在考察的14個(gè)結(jié)構(gòu)因素中，能源消費(fèi)規(guī)模、產(chǎn)出規(guī)模、固定資產(chǎn)投資規(guī)模、外商直接投資規(guī)模和人均碳排放對(duì)碳排放基本保持促增作用，產(chǎn)出碳強(qiáng)度、固定資產(chǎn)投資碳強(qiáng)度、人均外商直接投資和能源強(qiáng)度基本保持促降作用，能源碳強(qiáng)度、外商直接投資碳強(qiáng)度、投資效率、人口規(guī)模和投資結(jié)構(gòu)的促增作用和促降作用均有出現(xiàn)。以城市群為劃分，對(duì)分解結(jié)果進(jìn)行分析。限于篇幅，僅對(duì)長(zhǎng)三角及珠三角典型代表城市作詳細(xì)剖析（2000—2035長(zhǎng)三角及珠三角城市群分解結(jié)果略，備索）。

4. 2. 1 長(zhǎng)三角城市群

為了更加清楚地反映各因素在城市碳排放演變的動(dòng)態(tài)影響，對(duì)長(zhǎng)三角典型代表城市2000—2035年的碳排放進(jìn)行分解，結(jié)果如下。

觀察圖3可知，外商直接投資規(guī)模是杭州市和上海市碳排放增加的首要因素，其35年間引致的碳排放增量約為人均碳排放的兩倍左右，分別使其碳排放增加0. 88億t、1. 57億t。與杭州市相比，外商直接投資規(guī)模對(duì)上海市碳排放的促增影響相對(duì)較大。上海市作為中國(guó)經(jīng)濟(jì)最為發(fā)達(dá)的國(guó)際化城市，自2008年起其外商直接投資金額就遠(yuǎn)超長(zhǎng)三角其他城市。2000—2035年外商直接投資年均增速為14. 9%，外商直接投資規(guī)模擴(kuò)大也引致碳排放增加。對(duì)南京市和蘇州市碳排放有顯著促增影響的因素為固定資產(chǎn)投資規(guī)模，到2035年分別使得南京市和蘇州市碳排放增加0. 67億t、1. 89億t。蘇州市固定資產(chǎn)投資自2003年起一直保持波動(dòng)上升的態(tài)勢(shì)，且略高于南京市的固定資產(chǎn)投資，說(shuō)明在未來(lái)大規(guī)模的固定資產(chǎn)投資仍是蘇州市碳排放增長(zhǎng)的主要驅(qū)動(dòng)因素。此外，人均碳排放也是促使南京市、杭州市和上海市碳排放增加的重要因素，碳排放量分別上升了0. 15億t、0. 38億t和0. 77億t。相比其他城市，南京市、杭州市和上海市等城市居民的消費(fèi)模式更具有高能耗特征所致。僅以2019年為例，南京市、杭州市和上海市的城鄉(xiāng)居民用電量分別為97億kW·h、138億kW·h和245億kW·h，遠(yuǎn)超其他城市用電量水平。

對(duì)杭州市和上海市碳排放有著顯著負(fù)向影響的因素為人均外商直接投資，2000—2035年間分別致使兩地碳排放減少了0. 68億t、1. 20億t。這可能是因?yàn)橥馍讨苯油顿Y規(guī)模及人口規(guī)模對(duì)碳排放均表現(xiàn)為正向影響，但人口規(guī)模擴(kuò)張所引致碳排放的增加量要大于外商直接投資，從而使得人均外商直接投資對(duì)各城市碳排放的貢獻(xiàn)呈負(fù)向作用。對(duì)南京市和蘇州市碳排放有顯著促降作用的因素為投資結(jié)構(gòu)，35 年間引致的碳排放減少分別為0. 41億t和1. 69億t。此外，產(chǎn)出碳強(qiáng)度對(duì)蘇州市、上海市和杭州市的碳減排有顯著的影響。這是由于隨著科技進(jìn)步和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，三個(gè)城市低碳經(jīng)濟(jì)發(fā)展取得一定成效，因而產(chǎn)出碳強(qiáng)度對(duì)區(qū)域碳排放表現(xiàn)出顯著的抑制作用。對(duì)此，政府應(yīng)持續(xù)優(yōu)化長(zhǎng)三角各城市外資區(qū)域與產(chǎn)業(yè)布局，推動(dòng)引資戰(zhàn)略從“重引進(jìn)規(guī)模，輕引進(jìn)質(zhì)量”向“質(zhì)量?jī)?yōu)于規(guī)模”轉(zhuǎn)變，同時(shí)不斷提升長(zhǎng)三角城市綠色低碳技術(shù)創(chuàng)新能力，提高減污降碳關(guān)鍵核心技術(shù)攻關(guān)能力，搶占碳達(dá)峰、碳中和的技術(shù)制高點(diǎn)。

4. 2. 2 珠三角城市群

為了更加清楚地探究各因素對(duì)城市碳達(dá)峰的動(dòng)態(tài)影響，也對(duì)珠三角典型城市2000—2035年的碳排放進(jìn)行分解，結(jié)果如下。

由圖4可以看出，在影響碳排放的各項(xiàng)驅(qū)動(dòng)因素中，固定資產(chǎn)投資規(guī)模對(duì)各城市碳排放的促增貢獻(xiàn)最大。這一時(shí)期，珠三角城市群固定資產(chǎn)投資呈逐年上升趨勢(shì)，由此引致珠海市、深圳市、佛山市和廣州市碳排放分別增加0. 27億t、0. 29億t、0. 95億t和1. 44億t。其中，固定資產(chǎn)投資規(guī)模對(duì)廣州市碳排放的促增作用最大。這說(shuō)明大規(guī)模的固定資產(chǎn)投資仍是廣州市經(jīng)濟(jì)快速增長(zhǎng)的主要推動(dòng)力，粗放型的經(jīng)濟(jì)增長(zhǎng)方式還未得到較好的改善，從而導(dǎo)致其碳排放的增加。與此同時(shí)，外商直接投資碳強(qiáng)度對(duì)佛山市和廣州市碳排放的促增影響較為顯著，至2035年分別使得碳排放增加0. 24億t、0. 56億t。就深圳市而言，除固定資產(chǎn)投資規(guī)模對(duì)其碳排放有顯著的正向影響外，能源消費(fèi)規(guī)模的影響也不可忽視，未來(lái)節(jié)能減排政策應(yīng)著眼改善粗放型經(jīng)濟(jì)增長(zhǎng)模式，淘汰和限制高能耗的落后生產(chǎn)力。

投資結(jié)構(gòu)是各城市碳排放的主要促降因素。這可能是由于固定資產(chǎn)投資及外商直接投資規(guī)模均對(duì)碳排放呈現(xiàn)促增作用，外商直接投資規(guī)模擴(kuò)張所帶來(lái)碳排放的增加要大于固定資產(chǎn)投資所引致的碳排放增量，從而導(dǎo)致投資結(jié)構(gòu)對(duì)各城市碳排放呈現(xiàn)負(fù)向影響。隨著各種低碳技術(shù)研發(fā)與應(yīng)用，使得經(jīng)濟(jì)發(fā)展中低碳化程度得到提高，產(chǎn)出碳強(qiáng)度對(duì)各城市碳排放的抑制作用日趨明顯，到2035年可使珠海市、深圳市、佛山市和廣州市碳排放減少0. 01億t、0. 03億t、0. 04億t和0. 05億t。這說(shuō)明技術(shù)進(jìn)步也是各城市碳排放減少的重要因素，這一分析結(jié)果與IPCC發(fā)布的研究報(bào)告相一致。投資碳強(qiáng)度與能源強(qiáng)度的負(fù)向影響較弱，未來(lái)應(yīng)進(jìn)一步注重降低各城市的能源消耗強(qiáng)度并改善投資效率。

5 數(shù)據(jù)來(lái)源

數(shù)據(jù)具體來(lái)源主要包括以下三類：一是，測(cè)算所使用的DMSP和VIIRS兩組夜間燈光數(shù)據(jù)由美國(guó)國(guó)家海洋大氣管理局國(guó)家地球物理數(shù)據(jù)中心發(fā)布。省級(jí)及城市維度能源、污染排放數(shù)據(jù)集來(lái)自往年《中國(guó)能源統(tǒng)計(jì)年鑒》和基于夜間燈光數(shù)據(jù)反演模擬所得。二是，預(yù)測(cè)所用地級(jí)市層面經(jīng)濟(jì)發(fā)展水平GDP、資本、勞動(dòng)、能源消費(fèi)和PM2. 5 等變量數(shù)據(jù)均來(lái)自歷年《城市統(tǒng)計(jì)年鑒》《區(qū)域統(tǒng)計(jì)年鑒》《中國(guó)統(tǒng)計(jì)年鑒》，缺失值部分使用K 近鄰插值填補(bǔ)。三是，分解部分2000—2018年所使用各因素分解數(shù)據(jù)主要來(lái)自歷年《城市統(tǒng)計(jì)年鑒》《區(qū)域統(tǒng)計(jì)年鑒》《中國(guó)統(tǒng)計(jì)年鑒》，碳排放數(shù)據(jù)由前文模擬估算所得，2019—2035 年分解數(shù)據(jù)均來(lái)自前文預(yù)測(cè)所得。為保證數(shù)據(jù)的可比性，GDP、外商直接投資及固定資產(chǎn)投資均平減為2000年不變價(jià)格。

6 結(jié)語(yǔ)與啟示

首先反演模擬了2000—2018年267個(gè)地級(jí)市碳排放量，并運(yùn)用機(jī)器學(xué)習(xí)的多種算法對(duì)各城市的碳達(dá)峰路徑進(jìn)行預(yù)測(cè)，最后基于拓展的廣義迪氏指數(shù)對(duì)城市碳達(dá)峰的驅(qū)動(dòng)因素進(jìn)行了結(jié)構(gòu)分解，結(jié)果顯示：中國(guó)城市碳排放總量呈持續(xù)增長(zhǎng)態(tài)勢(shì)，基本形成“東部發(fā)達(dá)城市高集聚，中西部欠發(fā)達(dá)城市低集聚”的格局。267個(gè)城市中，可以提前達(dá)峰和按期達(dá)峰的城市僅有6個(gè)，比重僅約為2%，95%的城市將會(huì)在2031—2034年碳達(dá)峰，剩余3%的城市會(huì)長(zhǎng)時(shí)間延遲達(dá)峰。產(chǎn)出規(guī)模、能源消費(fèi)規(guī)模、固定資產(chǎn)投資規(guī)模、外商直接投資規(guī)模和人均碳排放對(duì)各城市碳排放基本保持促增作用，而產(chǎn)出碳強(qiáng)度、投資碳強(qiáng)度、人均外商直接投資和能源強(qiáng)度基本保持促降作用。

該研究對(duì)中國(guó)如何整體按期實(shí)現(xiàn)“雙碳”目標(biāo)具有重要的借鑒和啟示：第一，推進(jìn)低碳產(chǎn)業(yè)集群建設(shè)，培育低碳轉(zhuǎn)型引領(lǐng)示范城市。第二，大力發(fā)展清潔能源，積極引導(dǎo)“三高”項(xiàng)目綠色轉(zhuǎn)型。第三，擴(kuò)大低碳城市試點(diǎn)范圍，兼顧城市“穩(wěn)發(fā)展”與“促減排”。

參考文獻(xiàn)

［1］ 方國(guó)昌. 節(jié)能減排路徑優(yōu)化理論分析及政策選擇［M］. 北京：科學(xué)出版社，2020.

［2］ 杜海波，魏偉，張學(xué)淵，等. 黃河流域能源消費(fèi)碳排放時(shí)空格局演變及影響因素：基于DMSP/OLS 與NPP/VIIRS 夜間燈光數(shù)據(jù)［J］. 地理研究，2021，40（7）：2051-2065.

［3］ ELVIDGE C D， SUTTON P C， GHOSH T， et al. A global povertymap derived from satellite data［J］. Computers & geosciences， 2009，35（8）：1652-1660.

［4］ ODA T，MAKSYUTOVS. A very high resolution （1 km×1 km）globalfossil fuel CO2 emission inventory derived using a point source databaseand satellite observations of nighttime lights［J］. Atmosphericchemistry ＆ physics，2010，10（7）：16307-16344．

［5］ MENG L， GRAUS W， WORRELL E， et al. Estimating CO2 emissionsat urban scales by DMSP/OLS nighttime light imagery： methodologicalchallenges and a case study for China［J］. Energy，2014， 71：468-478.

［6］ ZHAO J C， JI G X， YUE Y L， et al. Spatio‐temporal dynamics ofurban residential CO2 emissions and their driving forces in China usingthe integrated two nighttime light datasets［J］. Applied energy，2019， 235： 612-624.

［7］ 柴麒敏，徐華清. 基于IAMC模型的中國(guó)碳排放峰值目標(biāo)實(shí)現(xiàn)路徑研究［J］. 中國(guó)人口·資源與環(huán)境，2015，25（6）：37-46.

［8］ 林伯強(qiáng)，蔣竺均. 中國(guó)二氧化碳的環(huán)境庫(kù)茲涅茨曲線預(yù)測(cè)及影響因素分析［J］. 管理世界，2009（4）：27-36.

［9］ 王憲恩，王泳璇，段海燕. 區(qū)域能源消費(fèi)碳排放峰值預(yù)測(cè)及可控性研究［J］. 中國(guó)人口·資源與環(huán)境，2014，24（8）：9-16.

［10］ 趙成柏，毛春梅. 基于ARIMA和BP神經(jīng)網(wǎng)絡(luò)組合模型的我國(guó)碳排放強(qiáng)度預(yù)測(cè)［J］. 長(zhǎng)江流域資源與環(huán)境，2012，21（6）：665-671.

［11］ 李玲，張俊榮，湯鈴，等. 我國(guó)能源強(qiáng)度變動(dòng)的影響因素分析：基于SDA分解技術(shù)［J］. 中國(guó)管理科學(xué)，2017，25（9）：125-132.

［12］ 曹俊文，周麗. 長(zhǎng)三角地區(qū)物流業(yè)碳排放時(shí)空分布及其影響因素研究［J］. 統(tǒng)計(jì)與決策，2021，37（10）：79-83.

［13］ VANINSKY A. Economic factorial analysis of CO2 emissions：thedivisia index with interconnected factors approach［J］. Worldacademy of science，engineeringand technology international journalof economics and management engineering，2013，7（10）：746-751．

［14］ VANINSKY A. Factorial decomposition of CO2 emissions： a generalizeddivisia index approach［J］. Energy economics，2014，45：389-400.

［15］ 邵帥，張曦，趙興榮. 中國(guó)制造業(yè)碳排放的經(jīng)驗(yàn)分解與達(dá)峰路徑：廣義迪氏指數(shù)分解和動(dòng)態(tài)情景分析［J］. 中國(guó)工業(yè)經(jīng)濟(jì)，2017，4（3）：44-63.

［16］ 張卓群，張濤，馮冬發(fā). 中國(guó)碳排放強(qiáng)度的區(qū)域差異、動(dòng)態(tài)演進(jìn)及收斂性研究［J］. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2022，39（4）：67-87.

［17］ 段林豐，盧培利，蒲寅羽，等. 典型城市群碳排放的脫鉤效應(yīng)及驅(qū)動(dòng)機(jī)制研究［J］. 環(huán)境科學(xué)與技術(shù)，2021，44（11）：55-62.

［18］ 王艷軍，王孟杰，柳林，等. DMSP/OLS夜光數(shù)據(jù)的珠三角碳排放時(shí)空差異性分析［J］. 遙感學(xué)報(bào)，2022，26（9）：1824-1837.

［19］ 馮帥. 遵約背景下中國(guó)“雙碳”承諾的實(shí)現(xiàn)［J］. 中國(guó)軟科學(xué)，2022（9）：6-15.

［20］ 宋府霖，韓傳峰，滕敏敏. 長(zhǎng)三角地區(qū)能源消費(fèi)碳排放驅(qū)動(dòng)因素分析及優(yōu)化策略［J］. 生態(tài)經(jīng)濟(jì)，2022，38（4）：21-28.

［21］ 鐘薇薇，高海，徐維軍，等. 多聚類視角下的碳達(dá)峰路徑探索與趨勢(shì)研判：基于廣東省21個(gè)地級(jí)市面板數(shù)據(jù)的分析［J］. 南方經(jīng)濟(jì)，2021（12）：58-79.

［22］ 武義青，姚連宵. 京津冀區(qū)域低碳發(fā)展現(xiàn)狀及轉(zhuǎn)型路徑［J］. 天津社會(huì)科學(xué)，2022（5）：89-96.

［23］ 李治國(guó)，楊雅涵，趙園春. 地方政府競(jìng)爭(zhēng)促進(jìn)了地區(qū)碳排放強(qiáng)度嗎？［J］. 經(jīng)濟(jì)與管理評(píng)論，2022，38（2）：136-146.

（責(zé)任編輯：于 杰）